Nowości
Startup założony przez byłych badaczy DeepMind twierdzi, że jego mały model pokonał Claude i GPT-5.5 w replikacji badań
Londyński startup Inherent, założony przez czterech byłych pracowników Google DeepMind, ogłosił, że jego 27-miliardowy agent Faraday osiągnął lepsze wyniki od dużo większych modeli Claude Opus 4.8 i GPT-5.5 w samodzielnym odtwarzaniu wyników publikacji naukowych.
Czteroosobowy zespół, który opuścił Google DeepMind, twierdzi, że zbudował agenta AI mniejszego niż flagowe modele Anthropic i OpenAI, a mimo to skuteczniejszego w konkretnym, praktycznym zadaniu naukowym: samodzielnym odtwarzaniu wyników opublikowanych prac badawczych bez podawania odpowiedzi z góry.
Inherent to londyński startup z siedzibą w King's Cross, dzielnicy, która w ostatnich latach stała się jednym z najważniejszych skupisk firm AI w Europie, między innymi za sprawą siedziby Google DeepMind przy 6 Pancras Square. Firmę założyli Edward Hughes, pełniący funkcję głównego naukowca, Louis Kirsch, Kaloyan Aleksiev i Tantum Collins, wszyscy z doświadczeniem zdobytym właśnie w DeepMind.
Na czym polega test
Zamiast mierzyć ogólne zdolności językowe czy rozwiązywanie zadań matematycznych, Inherent skupił się na węższej, ale praktycznej umiejętności: odtwarzaniu eksperymentów z opublikowanych prac naukowych. Agent dostaje treść artykułu, ale nie zna z góry jego wyników, i musi samodzielnie zaprojektować kod, przeprowadzić eksperyment i uzyskać wnioski zbliżone do oryginału.
Do oceny tej umiejętności firma zbudowała własny benchmark o nazwie Replica, obejmujący 310 zadań wyprowadzonych ze 100 recenzowanych publikacji z dziedzin takich jak przetwarzanie języka naturalnego, meta-learning, biologia strukturalna, nauka o materiałach i prognozowanie pogody. Według Inherent, Faraday uzyskiwał wierniejsze odtworzenia wyników niż konkurenci w każdej z testowanych kategorii artykułów.
Mały model, duży wynik
Kluczowy jest kontrast rozmiarów. Faraday opiera się na modelu Qwen 3.6 liczącym 27 miliardów parametrów, czyli ułamek tego, czym dysponują flagowe systemy Claude Opus 4.8 od Anthropic czy GPT-5.5 od OpenAI. Inherent twierdzi, że przewagę dał nie rozmiar, lecz sposób trenowania: uczenie wzmacniające na długim horyzoncie działania, w którym agent pisze i uruchamia kod jako narzędzie, a jego postępy ocenia automatycznie generowana rubryka przypisana do każdego zadania, a nie sędzia oparty na innym dużym modelu językowym.
Firma opisuje efekt tego treningu jako budowanie u modelu "naukowego wyczucia" instynktu podpowiadającego, które eksperymenty są warte przeprowadzenia i jak zaprojektować je rzetelnie. W poście badawczym Inherent stosuje też techniki stabilizujące trening długich sekwencji działań, określane jako agregacja wielu prób i przypisywanie zasług na poziomie pojedynczych kroków agenta.
Faraday uczy się umiejętności rzetelnego naukowca, co jest krokiem w stronę sztucznej inteligencji zdolnej do innowacji w wielu dziedzinach - Inherent Labs, wpis badawczy firmy.
Wielu doktorantów właśnie od tego zaczyna swoją pracę naukową - Edward Hughes, główny naukowiec Inherent.
Ostrożność wobec wyniku
Warto podkreślić, że porównanie pochodzi wyłącznie z wewnętrznego benchmarku Inherent, a nie z niezależnego, powtarzalnego testu strony trzeciej. Firma nie opublikowała dotąd szczegółowych wartości procentowych dla poszczególnych modeli, a Anthropic i OpenAI nie odniosły się publicznie do wyniku. Dopóki ktoś niezależny nie odtworzy tych porównań na tym samym zestawie zadań, ogłoszenie należy traktować jako deklarację startupu, a nie potwierdzony fakt branżowy.
Sam Hughes zaznacza przy tym, że replikacja badań to dla Inherent środek, a nie cel. Firma stawia sobie za zadanie zbudowanie systemów zdolnych nie tylko odtwarzać istniejącą wiedzę, ale docelowo generować nowe odkrycia naukowe, obok równolegle prowadzonych prac nad modelami świata.
Co to znaczy dla rynku
Wynik Inherent wpisuje się w szerszy trend, w którym mniejsze, wyspecjalizowane modele trenowane pod konkretne zadanie zaczynają rywalizować z ogólnymi modelami frontierowymi w wąskich niszach, mimo znacznie mniejszej liczby parametrów i budżetu treningowego. To sygnał dla firm inwestujących w agentów naukowych, że przewaga niekoniecznie musi wynikać z rozmiaru modelu, lecz z jakości danych treningowych i konstrukcji nagrody.
Dla polskich instytucji naukowych i firm biotechnologicznych rozważających automatyzację części pracy badawczej, przykład Inherent pokazuje kierunek rozwoju narzędzi wspierających powtarzalność wyników, temat regularnie krytykowany w środowisku naukowym jako słaby punkt publikacji. Agent zdolny szybko zweryfikować, czy wyniki artykułu da się odtworzyć, mógłby stać się praktycznym narzędziem w procesie recenzji i grantów, choć na razie pozostaje to demonstracją jednego startupu, a nie gotowym produktem komercyjnym.
Inherent planuje w najbliższych miesiącach rozbudować zespół z obecnej kadry ok. 12 osób do 20-25 pracowników i kontynuować prace nad kolejnymi wersjami Faraday, licząc na to, że umiejętność wiernej replikacji stanie się fundamentem pod bardziej ambitne zastosowania, w tym samodzielne prowadzenie eksperymentów prowadzących do nowych odkryć.
